用户点击高度依赖位置：第一名天然获得更多点击，即使内容一般。用这种数据训练模型，模型会学到「位置靠前就该被点」，而不是物品本身的好坏，形成反馈回路。
位置偏差的典型表现是：离线评估很好，线上把模型排出的物品放到后面展示时，点击率大幅下降。因为训练数据中的点击被位置「污染」了。
矫正方法之一是加位置特征，让模型显式学习位置影响，预测时把位置设为固定值，得到无偏的相关性分数。另一类是 IPS 逆倾向加权，用展示概率的倒数给样本加权。
IPS 理论上无偏，但方差大，展示概率很低的样本权重爆炸。实践中常用截断、裁剪或结合位置特征的混合方案，在偏差与方差间取平衡。
更根本的解法是引入随机曝光：在部分流量上随机打散位置，收集无偏数据用于训练和评估。代价是短期体验损失，需要控制比例。
